随着信息技术的飞速发展,智能化医疗诊断模型在医疗领域发挥着越来越重要的作用,其通过对海量医疗数据进行分析处理来抽取数据中的医疗知识,帮助医疗人员快速了解病人信息以做出更加准确合理地医疗决策。智能化医疗诊断模型增加了医疗资源的利用率,使有限的医疗资源能够服务更多的人群,在一定程度上缓解了医疗不平衡问题,推动了医疗领域的发展。因此,利用人工智能技术对医疗数据进行分析应用,以实现医疗智能化,具有前瞻性的研究意义和高度的应用价值。知识图谱作为一个表示实体关系的语义网络,能够帮助医疗模型更加准确、快速地获取信息,有效地为医疗模型提供医学知识支撑并为其预测结果提供医学解释。因果推理可以根据知识图谱中的因果关系确定从疾病特征到疾病原因的因果路径,预测患者所患疾病种类并挖掘导致该疾病发生的因素,帮助医疗人员更准确地完成治疗方案的制定,提高医疗质量和效率。本文研究的主要目的是对医疗领域的数据进行深度挖掘,构建出一个更加有效、快捷、准确且有一定规模的医疗知识图谱。并基于知识图谱进行因果推理,实现疾病预测和病因溯源。本文主要工作内容包括以下三个方面:1、医疗知识图谱的构建:本文采用爬虫技术对国内流行的医疗知识网站进行数据爬取,对爬取到的文本医疗数据进行预处理,作为医疗知识图谱的数据来源。对于预处理后的非结构化医疗数据,本文使用基于Bi LSTM-CRF的实体识别模型对其进行医疗命名实体识别,并提出了基于依存关系和图神经网络的关系抽取模型来挖掘医疗实体间的关系,获得结构化的医疗关系三元组数据。利用py2neo工具连接Neo4j数据库,将结构化的医疗关系三元组数据导入Neo4j数据库中,生成可视化的医疗知识图谱。针对本文提出的关系抽取模型,我们在公开数据集上与三类关系抽取模型进行了对比实验,结果表明本文提出的关系抽取模型F1得分为86.2%,优于其他对比模型,验证了本文所提模型的有效性。2、用户意图分析:本文提出了基于Bert+Text GAT的用户意图识别模型,将用户问题视作文本数据,利用文本预训练模型Bert捕获文本的上下文信息,获取文本的词嵌入表示,利用词共现矩阵和句法依存分析挖掘文本的结构信息,通过图注意力网络的消息传递机制进行文本信息聚合,识别用户意图,帮助医疗诊断模型更好地理解患者的需求和症状。3、疾病预测和病因溯源:结合上述两项工作构建医疗诊断模型,首先,构建基于知识图谱和RCNN的疾病预测模型,根据用户意图和用户问句中包含的疾病症状信息,诊断出疾病症状对应的疾病,确定知识图谱中从症状实体到疾病实体的路径,然后利用因果关系进一步推理出疾病实体到原因实体的路径,确定“症状-疾病-原因”的因果路径,获取导致患者症状出现的原因,完成疾病预测和病因溯源任务。